随着现代风电行业的快速发展,设备的自动化程度不断提高,一旦并网逆变器闭环系统发生故障将对整个发电系统带来不可预测的危害,因此为了减少对人类生活和公共财产的影响,有必要对并网逆变器闭环系统进行故障诊断来确保风力发电系统的稳定性与安全性。目前很多并网逆变器故障诊断研究都是针对开环系统进行的,没有考虑反馈控制律对于并网逆变器故障诊断的影响,因此以前针对并网逆变器开环系统的故障诊断方法在闭环系统中可能不再适用或需要重新设计。本文将以并网逆变器闭环系统为研究对象,分别采用基于解析模型的方法和基于人工智能的方法进行故障隔离与定位。首先,本文分析了国内外学者关于故障诊断技术以及闭环系统故障诊断技术的研究方法,在前人思路的基础上,提出基于解析模型的故障诊断方法。搭建并网逆变器双闭环系统的模型,在Matlab仿真平台进行实验,实现了各种故障情况下基于双闭环控制的并网逆变器输出电流的仿真波形,通过分析对比,发现输出的电流波形能够作为故障诊断系统的输入。其次,本文提出基于相电流的故障诊断方法,利用闭环控制回路中Park变换所产生的相电流与实测系统的相电流进行对比,并分别进行运算处理产生归一化的相电流平均值和平均绝对值,根据其残差结果对比诊断规则来进行故障隔离与定位,通过仿真验证了该诊断方法能够对闭环控制下的并网逆变器快速检测和识别单管和多管开路故障。最后,由于极限学习机(Extreme Learning Machine,ELM)采用的随机权值与阈值,导致诊断精度不高,所以本文利用粒子群算法(Particle Swarm Optimization,PSO)优化极限学习机的初始权值与阈值,通过小波变换提取输出电流的故障特征向量,然后将提取的故障特征向量输入到粒子群优化极限学习机(PSO-ELM)的诊断系统中进行故障诊断,通过仿真结果表明该方法逼近能力强、区分精度高、提高了诊断可靠性。